KI-Workflows in Drupal 11: Was Redaktionen wirklich entlastet
Schon im alten arocom-Blog stand 2023 ein Experiment: ein Drupal-Modul, das per OpenAI-API Meta-Descriptions generierte. Damals eine Spielerei am Rand des Systems. Drei Jahre später ist daraus ein belastbares Muster geworden, das wir in Kundenprojekten produktiv einsetzen. Die Konstante dabei: Die KI schreibt Vorschläge, der Mensch veröffentlicht.
Welche Aufgaben sich delegieren lassen
Die dankbarsten Kandidaten sind Aufgaben, die sich aus vorhandenem Inhalt ableiten lassen. Die Redaktion hat die eigentliche Arbeit, den Artikel, bereits geleistet. Alles Weitere ist Transformation:
- Meta-Title und Meta-Description aus dem Artikeltext, mit Längenvorgabe und Keyword-Hinweis
- Alt-Texte für Bilder im Medienkontext (was zeigt das Bild, wozu dient es auf dieser Seite)
- Teaser-Varianten für Übersichtsseiten, Newsletter, Social Media
- Übersetzungs-Rohfassungen DE→EN, die ein Mensch redigiert, als Nachfolger des alten DeepL/TMGMT-Workflows
- Strukturvorschläge: Zwischenüberschriften, FAQ-Extraktion, verwandte interne Links
Nicht delegierbar sind drei Dinge, und das meinen wir als Befund, nicht als Vorsichtsfloskel: Tonalität ("klingt das nach uns?"), Faktenprüfung und die Entscheidung, was überhaupt publiziert wird.
Architektur: Entwurfsfelder statt Autopilot
Technisch nutzen wir das Drupal-AI-Modul-Ökosystem mit einem Provider-Abstraktionslayer. Das Sprachmodell bleibt dadurch austauschbar, was bei der aktuellen Modell-Taktung kein theoretischer Vorteil ist. Das entscheidende Designmuster ist simpel: KI-Ergebnisse landen nie direkt im veröffentlichten Feld. Sie landen in einem Vorschlagsfeld, das die Redaktion im gewohnten Formular sieht, übernimmt, ändert oder verwirft.
// Event subscriber: on presave, draft a meta description
// suggestion for nodes that lack one. Never overwrites.
public function onPresave(EntityPresaveEvent $event): void {
$node = $event->getEntity();
if (!$node->hasField('field_meta_suggestion')) {
return;
}
if (!$node->get('field_meta_suggestion')->isEmpty()) {
return; // editor already has a pending suggestion
}
$suggestion = $this->aiProvider->chat([
'system' => 'Schreibe eine Meta-Description, max. 155 Zeichen, '
. 'aktiv formuliert, ohne Superlative.',
'user' => $node->get('body')->summary
?: mb_substr(strip_tags($node->get('body')->value), 0, 2000),
]);
$node->set('field_meta_suggestion', $suggestion);
}Derselbe Mechanismus trägt Alt-Texte (Vision-Modell beschreibt das Bild, Redakteur schärft den Seitenkontext nach) und Übersetzungen (Rohfassung in die Übersetzungs-Warteschlange statt direkt in die EN-Node). Der Freigabeprozess, bei uns Draft → Review → Published, bleibt unangetastet. Genau deshalb akzeptieren Redaktionen das System: Es nimmt ihnen Tipparbeit ab, nicht Kontrolle.
Ein Workflow von Anfang bis Ende: die Meta-Description
Wie sich das im Redaktionsalltag anfühlt, zeigt der Meta-Description-Workflow Schritt für Schritt. Eine Redakteurin schreibt einen Fachartikel und speichert die Node als Entwurf. Beim Speichern prüft der Event-Subscriber aus dem Code-Beispiel oben, ob das Vorschlagsfeld leer ist. Ist es leer, geht der Artikeltext mit einer festen Anweisung an das Modell: maximal 155 Zeichen, aktiv formuliert, ohne Superlative. Wenige Sekunden später steht der Vorschlag im Bearbeitungsformular, klar als Vorschlag markiert, direkt neben dem eigentlichen Meta-Feld.
Die Redakteurin hat jetzt drei Optionen: übernehmen, übernehmen und nachschärfen, oder verwerfen und selbst schreiben. In unseren Projekten beobachten wir am häufigsten die mittlere. Der Vorschlag trifft den Inhalt, die Redakteurin ersetzt ein generisches Verb oder zieht das wichtigste Keyword nach vorn. Erst mit ihrer Freigabe wandert der Text in das echte Meta-Feld und mit dem Status "Published" nach draußen.
Für die Redaktion ändert sich am gewohnten Formular fast nichts, es ist ein Feld mehr. Kein neues Werkzeug, kein zweiter Browser-Tab, keine halbtägige Schulung. Diese Unauffälligkeit ist kein Zufall, sondern das wichtigste Akzeptanzkriterium, das wir aus den ersten Projekten mitgenommen haben.
Alt-Texte mit Vision-Modell: was die KI sieht und was ihr fehlt
Beim Alt-Text-Workflow beschreibt ein Vision-Modell das Bild beim Upload in die Medienbibliothek. Es sieht zuverlässig, was auf dem Bild ist: "Zwei Personen vor einem Monitor in einem Besprechungsraum." Was es nicht wissen kann, ist die Funktion des Bildes auf der Seite. Belegt das Foto einen Workshop-Bericht, dient es als Symbolbild, oder zeigt es das Team aus dem Artikel? Diesen Kontext ergänzt der Redakteur in einem Halbsatz, etwa "Redaktionsworkshop beim Kunden im März".
Die Arbeitsteilung ist damit sauber: Das Modell liefert die korrekte, vollständige Grundbeschreibung, der Mensch die Bedeutung. Vorher blieben Alt-Texte oft leer, weil die Beschreibung von null an lästig war. Jetzt ist der lästige Teil erledigt, und der menschliche Beitrag dauert zehn Sekunden pro Bild. Der Effekt zahlt doppelt ein: in die Barrierefreiheit und in die Bildersuche.
Übersetzungen: vom DeepL-Workflow zur LLM-Rohfassung
Mehrsprachige Drupal-Sites haben seit Jahren einen eingespielten Übersetzungsweg: TMGMT-Warteschlange, maschinelle Rohfassung (lange Zeit DeepL), menschliche Redaktion. Der Wechsel auf ein Sprachmodell ändert weniger den Ablauf als die Qualität der Rohfassung. Ein LLM übersetzt nicht Satz für Satz, sondern kennt den ganzen Artikel und hält Terminologie über den Text hinweg konsistent. Fachbegriffe steuern wir über ein Glossar im Prompt: welche Begriffe deutsch bleiben, welche Produktnamen nie übersetzt werden, welches Register die Marke im Zielmarkt spricht.
Was ändert der menschliche Prüfer dann noch? In unseren Projekten vor allem drei Dinge: Redewendungen, die wörtlich übersetzt hölzern klingen, rechtlich gefärbte Formulierungen, die im Zielmarkt anders heißen, und Überschriften, die als Übersetzung korrekt, als Überschrift aber schwach sind. Der Aufwand sinkt damit von "übersetzen" auf "redigieren". Das ist der Unterschied zwischen Stunden und Minuten pro Seite.
Was dabei herauskommt
Über mehrere Projekte gemittelt sehen wir 20–30 % Zeitersparnis in der laufenden Inhaltspflege. Am oberen Ende liegen mehrsprachige Sites, wo die Übersetzungs-Rohfassungen den größten Block ausmachen. Genauso wichtig ist der Qualitätseffekt: Felder, die früher leer blieben, weil sie lästig waren (Alt-Texte!), sind jetzt durchgängig gepflegt. Davon profitieren Barrierefreiheit und SEO gleichermaßen.
Damit die Zahl richtig eingeordnet ist: Sie ist eine Beobachtung über mehrere Projekte hinweg, kein Laborwert, und sie bezieht sich auf die laufende Inhaltspflege, nicht auf das Schreiben der Artikel selbst. Den größten Einzelposten stellen bei mehrsprachigen Sites die Übersetzungs-Rohfassungen, grob die Hälfte des Effekts. Danach folgen Metadaten und Teaser-Varianten, zuletzt die Alt-Texte, die zeitlich klein sind, vorher aber schlicht liegen blieben. Einsprachige Sites landen entsprechend am unteren Rand der Spanne.
Wenn ihr prüfen wollt, ob sich das für eure Redaktion rechnet: Messt eine Woche lang, wie viel Zeit auf Metadaten, Alt-Texte und Übersetzungen entfällt. Diese Zahl entscheidet, ob sich der Workflow lohnt.
Voraussetzungen: was ihr dafür braucht
Damit das Muster läuft, braucht es vier Dinge:
- Eine aktuelle Drupal-Basis: Drupal 11 oder ein gepflegtes Drupal 10.3+. Das AI-Modul-Ökosystem unterstützt beide.
- Das AI-Modul-Ökosystem: das zentrale AI-Modul mit dem Provider-Plugin für den gewählten Modellanbieter, dazu je nach Workflow Bausteine für Übersetzung und Medien.
- Saubere Feldstrukturen: Die Workflows setzen auf definierten Feldern auf. Eine Site, deren Inhalte in einem einzigen Body-Feld leben, braucht zuerst Strukturarbeit.
- Ein API-Budget: für laufende Redaktionsworkflows realistisch ein niedriger zweistelliger Eurobetrag pro Monat. Die einmalige Übersetzung großer Bestände kostet je nach Volumen mehr, bleibt aber weit unter den Kosten menschlicher Erstübersetzung.
Der größte Posten ist dabei nicht die Inferenz, sondern die Einrichtung: Prompts je Inhaltstyp, Rechte, Redaktionsschulung. Plant dafür Tage, nicht Wochen.
Welches Modell nutzt ihr?
Bewusst keines fest. Das Drupal-AI-Ökosystem trennt Workflows und Modellanbieter über eine Provider-Abstraktion, und wir konfigurieren je Aufgabe das Modell, das Qualität und Kosten am besten ausbalanciert. Bei der aktuellen Taktung neuer Modelle ist diese Austauschbarkeit der eigentliche Architekturvorteil: Ein besseres oder günstigeres Modell ist ein Konfigurationswechsel, kein Projekt.
Was kostet der Betrieb?
Die Modellkosten sind selten das Problem. Für typische Redaktionsworkflows (Metadaten, Alt-Texte, Teaser) liegen sie nach unserer Erfahrung im niedrigen zweistelligen Eurobereich pro Monat; die Rohübersetzung größerer Bestände kostet einmalig mehr. Dazu kommt die Pflege der Prompts und gelegentliche Modell-Updates, realistisch wenige Stunden pro Quartal. Der größere Posten ist die einmalige Einrichtung, und die hängt von der Zahl der Workflows ab.
Geht das auch in Drupal 10?
Ja. Das AI-Modul-Ökosystem unterstützt Drupal 10.3 und Drupal 11 gleichermaßen. Steht ohnehin ein Upgrade an, lohnt es, beides zusammen zu planen, weil die Workflows auf gepflegten Feldstrukturen aufsetzen. Ein KI-Workflow-Projekt ist aber kein Grund, ein stabiles Drupal 10 vorzeitig zu migrieren.
Zum Vertiefen im Wissensbereich
Ihr wollt wissen, was diese Themen für euer Unternehmen bedeuten? Der Zukunfts-Check zeigt in 2–4 Wochen, wo die größten Hebel liegen.
